CN113949154B - 一种用电负荷辨识方法、系统、可读存储介质及设备 - Google Patents
一种用电负荷辨识方法、系统、可读存储介质及设备 Download PDFInfo
- Publication number
- CN113949154B CN113949154B CN202110930832.3A CN202110930832A CN113949154B CN 113949154 B CN113949154 B CN 113949154B CN 202110930832 A CN202110930832 A CN 202110930832A CN 113949154 B CN113949154 B CN 113949154B
- Authority
- CN
- China
- Prior art keywords
- load
- electric appliance
- identification model
- identification
- appliance
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000012549 training Methods 0.000 claims description 38
- 238000013528 artificial neural network Methods 0.000 claims description 22
- 238000013527 convolutional neural network Methods 0.000 claims description 20
- 230000005611 electricity Effects 0.000 claims description 20
- 238000004590 computer program Methods 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 9
- 230000001052 transient effect Effects 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 23
- 210000002569 neuron Anatomy 0.000 description 19
- 230000006870 function Effects 0.000 description 16
- 230000008859 change Effects 0.000 description 10
- 238000011176 pooling Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 5
- 230000004913 activation Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000005284 excitation Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J13/00—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network
- H02J13/00001—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network characterised by the display of information or by user interaction, e.g. supervisory control and data acquisition systems [SCADA] or graphical user interfaces [GUI]
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J13/00—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network
- H02J13/00002—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network characterised by monitoring
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2310/00—The network for supplying or distributing electric power characterised by its spatial reach or by the load
- H02J2310/10—The network having a local or delimited stationary reach
- H02J2310/12—The local stationary network supplying a household or a building
- H02J2310/14—The load or loads being home appliances
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
- Y02B70/00—Technologies for an efficient end-user side electric power management and consumption
- Y02B70/30—Systems integrating technologies related to power network operation and communication or information technologies for improving the carbon footprint of the management of residential or tertiary loads, i.e. smart grids as climate change mitigation technology in the buildings sector, including also the last stages of power distribution and the control, monitoring or operating management systems at local level
- Y02B70/3225—Demand response systems, e.g. load shedding, peak shaving
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S20/00—Management or operation of end-user stationary applications or the last stages of power distribution; Controlling, monitoring or operating thereof
- Y04S20/20—End-user application control systems
- Y04S20/222—Demand response systems, e.g. load shedding, peak shaving
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Human Computer Interaction (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明属于负荷辨识领域，提供了一种用电负荷辨识方法、系统、可读存储介质及设备。其中，用电负荷辨识方法包括获取设定区域内电力系统的用电电流数据及用电负荷数据；提取设定区域内电力系统的用电电流数据中启动电器时的电流，并输入至第一辨识模型；提取设定区域内电力系统的用电负荷数据中投切电器时的负荷，并输入至第二辨识模型；由第一辨识模型预测出对应开启的电器类型，由第二辨识模型预测出对应关闭的电器类型，进而辨识出多电器开启及关闭叠加状态下的处于开启的电器类型及关闭的电器类型。
Description
技术领域
本发明属于负荷辨识领域，尤其涉及一种用电负荷辨识方法、系统、可读存储介质及设备。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。
电力能源是各行各业的主要能源消耗，了解用电负荷的运行状态以及用电参考，根据这些信息即可实时调整用电设备的状态，降低成本，提高电能利用率。负荷监测是实时采集电力系统中负荷的电气参数，对参数进行分析监测负荷状态。从整个电力系统的角度出发，了解各类负荷的状态参数及用电量等，能够帮助决策者合理地分配电能，使得整个电力系统始终处于高效的运行状态。而且用电负荷辨识作为智能用电的一个重要分支，对用电负荷实现精准辨识，能够使智能用电体系进一步完善。发明人发现，目前用电负荷辨识存在辨识方法单一性且辨识结果不准确性等问题。
发明内容
为了解决上述背景技术中存在的至少一项技术问题，本发明提供一种用电负荷辨识方法、系统、可读存储介质及设备，其能够在多电器开启及关闭叠加状态下对负荷实现辨识，提高负荷辨识的准确率。
为了实现上述目的，本发明采用如下技术方案：
本发明的第一个方面提供一种用电负荷辨识方法。
一种用电负荷辨识方法，包括：
获取设定区域内电力系统的用电电流数据及用电负荷数据；
提取设定区域内电力系统的用电电流数据中启动电器时的电流，并输入至第一辨识模型；提取设定区域内电力系统的用电负荷数据中投切电器时的负荷，并输入至第二辨识模型；
由第一辨识模型预测出对应开启的电器类型，由第二辨识模型预测出对应关闭的电器类型，进而辨识出多电器开启及关闭叠加状态下的处于开启的电器类型及关闭的电器类型。
进一步地，所述第一辨识模型为卷积神经网络。
进一步地，所述第二辨识模型为BP神经网络。
进一步地，第一辨识模型是预先训练完成的，其训练数据包括具有电器类型标签的启动电器时的电流。
进一步地，第二辨识模型是预先训练完成的，其训练数据包括投切电器时的负荷的五种状态，分别为启动负荷、启动瞬态负荷、启动稳态负荷、关闭负荷、关闭稳态负荷。
进一步地，第二辨识模型在训练过程中，预测输出结果采用编码形式。
本发明的第二个方面提供一种用电负荷辨识系统。
一种用电负荷辨识系统，包括：
数据获取模块，其用于获取设定区域内电力系统的用电电流数据及用电负荷数据；
特征提取模块，其用于提取设定区域内电力系统的用电电流数据中启动电器时的电流，并输入至第一辨识模型；提取设定区域内电力系统的用电负荷数据中投切电器时的负荷，并输入至第二辨识模型；
负荷辨识模块，其用于由第一辨识模型预测出对应开启的电器类型，由第二辨识模型预测出对应关闭的电器类型，进而辨识出多电器开启及关闭叠加状态下的处于开启的电器类型及关闭的电器类型。
进一步地，第一辨识模型为卷积神经网络；
进一步地，第二辨识模型为BP神经网络。
本发明的第三个方面提供一种计算机可读存储介质。
一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述所述的用电负荷辨识方法中的步骤。
本发明的第四个方面提供一种计算机设备。
一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述所述的用电负荷辨识方法中的步骤。
与现有技术相比，本发明的有益效果是：
基于深度学习的方法，通过分析采集的家电的启停的负荷变化，电流变化，确定变化值，在多电器开启及关闭叠加状态下，获取设定区域内电力系统的用电电流数据及用电负荷数据，提取设定区域内电力系统的用电电流数据中启动电器时的电流及设定区域内电力系统的用电负荷数据中投切电器时的负荷，并采用第一辨识模型和第二辨识模型相结合，由第一辨识模型预测出对应开启的电器类型，由第二辨识模型预测出对应关闭的电器类型，进而辨识出多电器开启及关闭叠加状态下的处于开启的电器类型及关闭的电器类型。第一辨识模型和第二辨识模型分别利用电流特性和负荷特性对数据集进行训练，得到负荷辨识最佳模型，提高辨识率，增强负荷辨识的可靠性，准确性。
本发明能够在电器叠加状态下对负荷实现辨识；利用电流波形图及用电负荷变化特性两者结合进行负荷辨识，完成对多电器开启及关闭叠加状态下的负荷精准辨识。
本发明附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
图1是本发明实施例的一种用电负荷辨识方法流程图；
图2(a)是本发明实施例的冰箱的电流波形图；
图2(b)是本发明实施例的冰箱的负荷波形图；
图3(a)是本发明实施例的空气压缩机的电流波形图；
图3(b)是本发明实施例的空气压缩机的负荷波形图；
图4是本发明实施例的CNN网络结构图；
图5是本发明实施例的CNN模型结构图；
图6是本发明实施例的CNN训练流程图；
图7是本发明实施例的BP神经元拓扑结构图；
图8是本发明实施例的BP训练流程图；
图9(a)是本发明实施例的CNN训练的准确率；
图9(b)是本发明实施例的CNN训练的损失函数；
图10(a)是本发明实施例的BP训练的准确率；
图10(b)是本发明实施例的BP训练的损失函数；
图11(a)是本发明实施例的BP和CNN联合训练的准确率；
图11(b)是本发明实施例的BP和CNN联合训练的损失函数。
具体实施方式
下面结合附图与实施例对本发明作进一步说明。
应该指出，以下详细说明都是例示性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
本发明的该用电负荷辨识方法适用于多个电器开启及关闭叠加状态下，辨识开启电器类型及关闭电器类型的情况，当然也能够辨识一种电器投切变化时对应的电器类型情况。
实施例一
如图1所示，本实施例的一种用电负荷辨识方法，其包括：
S101：获取设定区域内电力系统的用电电流数据及用电负荷数据。
在步骤S101中，设定区域可以为一个办公区域，也可为一栋楼宇。
可以理解的是，本领域技术人员可根据实际情况来选择用电负荷辨识的区域，从而确定出设定区域。
在具体实施中，家电启动对负荷的影响分为三个状态，启动之前的负荷，启动时的负荷，以及启动后的负荷，分别定义为启动负荷，启动瞬态负荷，以及启动稳态负荷，启动时负荷幅值波动剧烈，可以作为重要特征值来做分析，家电的关闭对负荷的影响分为两个状态，关闭之前的负荷和关闭之后的负荷，分别定义为关闭负荷和关闭稳态负荷。与家电的启动相比，家电的关闭主要体现在关闭前后负荷的差异，家电关闭时负荷急剧下降，呈现断崖式状态，特征明显，家电的投切对负荷的影响主要在这5个方面，其中电器启动时的具体波形图如图2(a)-图3(b)所示。
从图2(a)-图3(b)中可以看出，电器启动时电流会发生改变，对应的负荷也会发生改变。电流对应的幅值增加，上下波动加剧，负荷量增加，符合电器启动时的规律。
S102：提取设定区域内电力系统的用电电流数据中启动电器时的电流，并输入至第一辨识模型；提取用设定区域内电力系统的电负荷数据中投切电器时的负荷，并输入至第二辨识模型。
电流，负荷都可以作为电器启动时的状态值，但是由于电流上下方向波动较大在图形上表现明显，适合用卷积神经网络来提取波形图特征值，负荷为单方向波动较大，图形上表现没有电流剧烈，不易采用卷积神经网络做提取，可以采用BP神经网络来提取特征信息。
因此，在本实施例中，第一辨识模型采用卷积神经网络，第二辨识模型采用BP神经网络来实现。
此处需要说明的是，在其他实施例中，第一辨识模型和第二辨识模型均可根据实际情况来具体选择相匹配的神经网络模型，以分别对电流及负荷进行提取特征。
S103：由第一辨识模型预测出对应开启的电器类型，由第二辨识模型预测出对应关闭的电器类型，进而辨识出多电器开启及关闭叠加状态下的处于开启的电器类型及关闭的电器类型。
具体地，通过对数据集进行分析提取，进行大量的比对，采集到共1万组负荷变化数据和1万组电流波形图，每组数据对应160种状态，训练第一辨识模型(比如：CNN网络)，第一辨识模型由输入层，隐含层，输出层组成，隐含层又包括卷积层、池化层、全连接层，网络结构图4、图5所示，该模型输入量为电器启动时的电流波形图，输出量为当前开启的电器对应的类别。
把电器启动时的电流波形图数值化，定义为G，假设输入为G，则隐含层输出可以用公式1表示。
G和y(i,j)为卷积层输入和输出，w为卷积层输入G的占重比，b为偏置，e为卷积输出对应的通道数，其最大为E个；Ll为输入尺寸，f和s分别对应卷积核大小和卷积步长，这样可以通过参数Ll、s可以得到下一卷积层的输入尺寸Ll+1。wa(x,y)为对应通道的卷积层输入的占重比，该占重比的总个数为A个。其中，(si+x,sj+y)表示图像矩阵处理之后的坐标点。
例如：卷积层个数为2，卷积核大小为3*3，通道数e为3，步长为1，假设输入G＝(G1,...Gn,...,GN)，个数为N个，隐含层输出y＝(y1,...yn,...yq)，隐含层神经元个数为q个，输出层Z＝(z1,...zn,...zN)，个数为N个，公式可以进一步简化得到公式(2)。
其中，w1...、wn、...wq分别为神经元连接权值调节输入量G1...、Gn...、Gq的占重比。分别为对应调节输入量后的偏置值。
为了增加表达的复杂性，把线性关系转化为非线性关系，卷积层添加激励函数Relu(Rectified Linear Unit,ReLU),一定程度上避免了梯度消失和梯度饱和的问题。其表达形式如公式(3)。
为输入，/>为输出，f为激励函数，则输出可以由公式(4)得到。
其中，v1、…、vn、…、vN分别是函数f(y1)、…、f(yn)、…、f(yN)的权重值；分别为对应函数与权重值相乘后的偏置值。
另外在卷积层后，一般需要加入池化层主和全连接层，池化层可以在保留主要特征的前提下，减少参数的运算量。常见的池化方式有两种，均值池化和极大值池化。本实施例采用均值池化的方法。
公式(5)中p为预指定参数，均值池化时p＝1，其余参数和卷积层的相同，由于在电器投切时，极大值变化明显，采用极大值池化的方式能更好的保留特征值，舍弃掉无用的信息，减少运算量。全连接层主要把训练参数铺展开来，对提取的特征进行非线性组合得到输出，在这里加入dropout，以一定的概率舍弃神经元，可以避免一定的偶然性，达到训练的更好效果。模型的整体结构如图5所示。
训练过程可以分为5部分：
①权重初始化，②确定输入向量和输出值，③根据权重和输入向量值求出隐含层和输出层各单元的输出，④计算出输出和实际值之间的偏量，⑤根据偏量值判断训练结果是否满足要求，满足要求输出训练模型，训练结束，不满足则重复执行②以后的步骤，直到满足要求，输出训练模型。详细流程步骤，如图6所示。
对于第二辨识模型：
下面以BP神经网络为例，其相对于卷积神经网络要简单，网络结构整体和卷积神经网络相识，包含输入层，隐含层，输出层。与其他深度学习神经网络不同的是，BP神经网络层数简单，隐含层不进行扩展，训练速度相对快一些。
BP神经网络的核心是神经元拓扑结构，该结构是通过模拟大脑的响应机制而建立的一种拓扑结构，其结构图如图7所示：
对于第i个神经元，x1、x2、x3、x4、...、xn为神经元的输入，w1、w2、w3、w4、...、wn为神经元为连接权值调节输入量的占重比，有输入量和占重比可以得到第i个神经元的净输入m|σi，σi表示该神经元的阈值，m表示第i个神经元的净输入值，将m和上一个神经元的阈值做差可以得到第i个神经元的输出yi，通常为了得到更好的拟合性，需要在输出之前加上激活函数f，用来约束输出范围。这里f选用sigmoid函数，假设输入层有N个，隐含层神经元有q个，通过输入层和权值可以得到第q个隐藏神经元的输入aq，aq减去第q个隐藏神经元对应的阈值θq，加上激活函数可以得到第q个神经元真正的输入sq，则第j个神经元的输出βj可以由隐藏层的输出和权重得到，加上激活函数f可以得到输出层的输出zi，BP神经网络的训练过程即为通过最小二乘法求出期望输出和实际输出之间的误差Ek，利用迭代的方式通过训练数据集更新权重来使实际输出接近期望输出，减少Ek，具体的运算公式如公式(6)所示。
BP神经网络的训练流程如图8所示。
在具体实施中，第二辨识模型在训练过程中，预测输出结果采用编码形式。
从图8中可以看出，BP神经网络是一个迭代训练的过程，通过训练样本调整权重和偏置，减少期望输出和实际输出之间的误差。对于图形变化不太明显的负荷变化，采用BP神经网络来训练，网络的输入为电器投切时负荷变化的5个状态，分别为启动负荷、启动瞬态负荷、启动稳态负荷、关闭负荷、关闭稳态负荷。由于每个负荷都有多个电器叠加而成，直接训练的话相当于n对n，训练难度会加大，需要把表1对应的状态值转化为16进制变成n对1的训练，如下表1。
表1电器状态值转化为16进制
| 冰箱 | 空气压缩机 | 楼上浴室灯 | 卧室灯 | 客厅台灯 | 16进制转换 |
| 1 | 0 | 0 | 0 | 0 | 10 |
| 1 | 1 | 0 | 0 | 0 | 18 |
| 1 | 0 | 1 | 0 | 0 | 14 |
| 1 | 0 | 0 | 1 | 0 | 12 |
| 1 | 0 | 0 | 0 | 1 | 11 |
| 1 | 1 | 1 | 0 | 0 | 112 |
| 1 | 1 | 0 | 1 | 0 | 110 |
| 1 | 1 | 0 | 0 | 1 | 19 |
| 1 | 0 | 1 | 1 | 0 | 16 |
| 1 | 0 | 1 | 0 | 1 | 15 |
| 1 | 0 | 0 | 1 | 1 | 13 |
| 1 | 1 | 1 | 1 | 0 | 114 |
| 1 | 1 | 0 | 1 | 1 | 111 |
| 1 | 1 | 1 | 0 | 1 | 113 |
| 1 | 0 | 1 | 1 | 1 | 17 |
| 1 | 1 | 1 | 1 | 1 | 115 |
例如：若当前环境中包含5个电器，那么每个电器具有32种组合状态，对应32个16进制输出，通过当前输入状态的值可以预测出对应的16进制值，通过对16进制分解和上表进行比对可以得到当前负荷有哪些电器构成。
也就是，当前环境中包含n个电器，那么每个电器具有2n种组合状态。
卷积神经网络的训练过程中的损失函数loss下降波动较大，导致准确率上升缓慢，最后识别率稳定在0.75左右，在增加数据集，调整学习率，以及增大dropout之后，图形变化不明显，其主要原因是有些电器的电流波形图相近，增加了识别难度，如图9(a)和图9(b)所示。
从图10(a)和图10(b)中可以看出BP的训练结果要优于卷积神经网络，但是同样准确率上不去，准确率最后稳定在0.8左右。
卷积神经网络和BP神经网络联合使用：
卷积神经网络用于训练电流特性，BP神经网络用于训练负荷特性。CNN输入量为电器启动时的电流波形图，输出量为电器对应的类别，BP神经网络的输入量为电器投切时的负荷值，输出量同样为电器所对应的类别。电器电流特性相似时负荷特性相似率较低，负荷特性相似时电流特性相似率较低，BP神经网络与卷积神经网络相结合，可以弥补单独对负荷和电流训练的不足，并能很好地利用双方特性，达到负荷辨识的最佳效果，其训练结果如图11(a)和图11(b)。从图11(a)和图11(b)中可以看出双模型状态下，识别率提高至0.98，效果较为理想。
实施例二
本实施例提供了一种用电负荷辨识系统，其包括：
数据获取模块，其用于获取设定区域内电力系统的用电电流数据及用电负荷数据；
特征提取模块，其用于提取设定区域内电力系统的用电电流数据中启动电器时的电流，并输入至第一辨识模型；提取设定区域内电力系统的用电负荷数据中投切电器时的负荷，并输入至第二辨识模型；
负荷辨识模块，其用于由第一辨识模型预测出对应开启的电器类型，由第二辨识模型预测出对应关闭的电器类型，进而辨识出多电器开启及关闭叠加状态下的处于开启的电器类型及关闭的电器类型。
本实施例的一种用电负荷辨识系统中的各个模块，与实施例一中的用电负荷辨识方法中的各个步骤一一对应，其具体实施过程相同，此处不再累述。
实施例三
本实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述所述的用电负荷辨识方法中的步骤。
实施例四
本实施例提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述所述的用电负荷辨识方法中的步骤。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(RandomAccessMemory，RAM)等。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种用电负荷辨识方法，其特征在于，包括：
获取设定区域内电力系统的用电电流数据及用电负荷数据；
提取设定区域内电力系统的用电电流数据中启动电器时的电流，并输入至第一辨识模型；提取设定区域内电力系统的用电负荷数据中投切电器时的负荷，并输入至第二辨识模型；
由第一辨识模型预测出对应开启的电器类型，由第二辨识模型预测出对应关闭的电器类型，进而辨识出多电器开启及关闭叠加状态下的处于开启的电器类型及关闭的电器类型。
2.如权利要求1所述的用电负荷辨识方法，其特征在于，所述第一辨识模型为卷积神经网络。
3.如权利要求1所述的用电负荷辨识方法，其特征在于，所述第二辨识模型为BP神经网络。
4.如权利要求1所述的用电负荷辨识方法，其特征在于，第一辨识模型是预先训练完成的，其训练数据包括具有电器类型标签的启动电器时的电流。
5.如权利要求1所述的用电负荷辨识方法，其特征在于，第二辨识模型是预先训练完成的，其训练数据包括投切电器时的负荷的五种状态，分别为启动负荷、启动瞬态负荷、启动稳态负荷、关闭负荷、关闭稳态负荷；其中，所述启动负荷、启动瞬态负荷和启动稳态负荷为家电启动对负荷影响的三个状态，分别对应家电启动之前的负荷，家电启动时的负荷，以及家电启动后的负荷；所述关闭负荷和关闭稳态负荷为家电的关闭对负荷影响的两个状态，分别对应家电关闭之前的负荷和家电关闭之后的负荷。
6.如权利要求1所述的用电负荷辨识方法，其特征在于，第二辨识模型在训练过程中，预测输出结果采用编码形式。
7.一种用电负荷辨识系统，其特征在于，包括：
数据获取模块，其用于获取设定区域内电力系统的用电电流数据及用电负荷数据；
特征提取模块，其用于提取设定区域内电力系统的用电电流数据中启动电器时的电流，并输入至第一辨识模型；提取设定区域内电力系统的用电负荷数据中投切电器时的负荷，并输入至第二辨识模型；
负荷辨识模块，其用于由第一辨识模型预测出对应开启的电器类型，由第二辨识模型预测出对应关闭的电器类型，进而辨识出多电器开启及关闭叠加状态下的处于开启的电器类型及关闭的电器类型。
8.如权利要求7所述的用电负荷辨识系统，其特征在于，所述第一辨识模型为卷积神经网络；
或
所述第二辨识模型为BP神经网络。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-6中任一项所述的用电负荷辨识方法中的步骤。
10.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-6中任一项所述的用电负荷辨识方法中的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110930832.3A CN113949154B (zh) | 2021-08-13 | 2021-08-13 | 一种用电负荷辨识方法、系统、可读存储介质及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110930832.3A CN113949154B (zh) | 2021-08-13 | 2021-08-13 | 一种用电负荷辨识方法、系统、可读存储介质及设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113949154A CN113949154A (zh) | 2022-01-18 |
| CN113949154B true CN113949154B (zh) | 2024-04-19 |
Family
ID=79327770
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110930832.3A Active CN113949154B (zh) | 2021-08-13 | 2021-08-13 | 一种用电负荷辨识方法、系统、可读存储介质及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113949154B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108920868A (zh) * | 2018-07-23 | 2018-11-30 | 国网江西省电力有限公司电力科学研究院 | 基于智能电表数据的负荷辨识模型参数修正方法 |
| CN109508908A (zh) * | 2018-12-25 | 2019-03-22 | 深圳市城市公共安全技术研究院有限公司 | 非侵入式负荷识别模型训练方法、负荷监测方法及装置 |
| WO2020170142A1 (en) * | 2019-02-19 | 2020-08-27 | Vicwood Prosperity Technology Limited | Method and apparatus for load monitoring |
| CN112701683A (zh) * | 2020-12-23 | 2021-04-23 | 国网黑龙江省电力有限公司双鸭山供电公司 | 非侵入式负荷检测与分解方法、系统以及存储介质 |
| JP2021077129A (ja) * | 2019-11-11 | 2021-05-20 | 株式会社日立製作所 | 情報処理システム、モデルの制御方法及び記憶媒体 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170089960A1 (en) * | 2015-09-30 | 2017-03-30 | Fujitsu Limited | Electricity load disaggregation |
-
2021
- 2021-08-13 CN CN202110930832.3A patent/CN113949154B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108920868A (zh) * | 2018-07-23 | 2018-11-30 | 国网江西省电力有限公司电力科学研究院 | 基于智能电表数据的负荷辨识模型参数修正方法 |
| CN109508908A (zh) * | 2018-12-25 | 2019-03-22 | 深圳市城市公共安全技术研究院有限公司 | 非侵入式负荷识别模型训练方法、负荷监测方法及装置 |
| WO2020170142A1 (en) * | 2019-02-19 | 2020-08-27 | Vicwood Prosperity Technology Limited | Method and apparatus for load monitoring |
| JP2021077129A (ja) * | 2019-11-11 | 2021-05-20 | 株式会社日立製作所 | 情報処理システム、モデルの制御方法及び記憶媒体 |
| CN112701683A (zh) * | 2020-12-23 | 2021-04-23 | 国网黑龙江省电力有限公司双鸭山供电公司 | 非侵入式负荷检测与分解方法、系统以及存储介质 |
Non-Patent Citations (2)
| Title |
|---|
| 基于负荷特性聚类及Elastic Net分析的短期负荷预测方法;靳冰洁;林勇;罗澍忻;韦斌;;中国电力;20200108;第53卷(第09期);第221-228页 * |
| 汪颖 ; 杨维 ; 肖先勇 ; 张姝.基于U-I轨迹曲线精细化识别的非侵入式居民负荷监测方法.电网技术.2020,第1-10页. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113949154A (zh) | 2022-01-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109685314B (zh) | 一种基于长短期记忆网络的非侵入负荷分解方法和系统 | |
| CN109142946A (zh) | 基于蚁群算法优化随机森林的变压器故障检测方法 | |
| CN108876163B (zh) | 综合因果分析与机器学习的暂态功角稳定快速评估方法 | |
| CN108304489A (zh) | 一种基于强化学习网络的目标引导型个性化对话方法与系统 | |
| CN108599172B (zh) | 一种基于人工神经网络的输配网全局潮流计算方法 | |
| CN109298330B (zh) | 基于ghpso-bp的高压断路器故障诊断方法 | |
| CN112700060B (zh) | 站所终端负荷预测方法和预测装置 | |
| CN110544177A (zh) | 基于电力指纹的负荷识别方法及计算机可读存储介质 | |
| CN105938578A (zh) | 一种基于聚类分析的大规模光伏电站等值建模方法 | |
| CN109255726A (zh) | 一种混合智能技术的超短期风功率预测方法 | |
| CN112632288A (zh) | 一种基于知识图谱的电力调度系统及方法 | |
| CN110212551B (zh) | 基于卷积神经网络的微网无功自动控制方法 | |
| CN111612125A (zh) | 一种面向在线学习的新型htm时间池方法及其系统 | |
| CN113780684A (zh) | 一种基于lstm神经网络的智慧楼宇用户用能行为预测方法 | |
| CN110929835B (zh) | 一种新型碳化硅基航空功率变换器故障诊断方法及系统 | |
| CN116226689A (zh) | 一种基于高斯混合模型的配电网典型运行场景生成方法 | |
| Yeung et al. | Handling interaction in fuzzy production rule reasoning | |
| CN113949154B (zh) | 一种用电负荷辨识方法、系统、可读存储介质及设备 | |
| CN112785056B (zh) | 一种基于CatBoost和LSTM模型融合的短期负荷预测方法 | |
| CN113361454A (zh) | 一种基于非监督优化的深度学习非侵入式负荷监测方法 | |
| CN110705756B (zh) | 一种基于输入凸神经网络的电力能耗优化控制方法 | |
| CN112836876A (zh) | 一种基于深度学习的配电网线路负荷预测方法 | |
| CN113158134B (zh) | 非侵入式负荷辨识模型的构建方法、装置和存储介质 | |
| CN114707613B (zh) | 基于分层的深度策略梯度网络的电网调控方法 | |
| CN115879631A (zh) | 一种基于时空融合的台区电压预测方法与终端 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |